在機器人應用領域，家庭與工業場景長期占據主流地位，但二者在落地難度上存在顯著差異。工業場景因數據標準化程度高、環境可控性強，成為多數廠商的首選。然而，通用機器人初創公司自變量卻選擇了一條與眾不同的道路——將家庭場景置于戰略核心，并同步推進工業場景布局，試圖在技術創新與商業落地之間找到平衡點。
自變量創始人王潛指出，工業與家庭場景在數據獲取方式、任務復雜度等方面存在本質區別。家庭場景更依賴預訓練階段的基礎模型能力，而工業場景則側重后訓練階段的效率優化。他強調，二者并非非此即彼的關系，優質的基礎模型能為后訓練提供更強支撐。盡管如此，多數廠商仍優先選擇工業場景，核心原因在于家庭環境的高度非結構化特性——1000個家庭可能存在1000種不同的布局、成員狀態和任務需求，這對機器人的適應能力提出了極高要求。
智元機器人總裁彭志輝將家庭場景的復雜性形容為"技術試金石"。他表示，家庭環境中的人機交互涉及更高安全標準，工廠里最多損壞零件，而家庭事故可能直接危及人身安全。因此，智元采取"先易后難"策略，優先在工廠裝配等成熟場景落地，通過規模化應用降低成本、完善本體設計，為未來進入家庭市場奠定基礎。
盡管挑戰重重，家庭場景的數據價值仍吸引著部分企業布局。沂景資本董事總經理李佳認為，家庭環境產生的非結構化數據對算法迭代具有不可替代的作用。這些數據能夠反映真實世界的復雜性，幫助機器人學習如何應對意外情況，從而推動技術從"可用"向"好用"進化。相比之下，工業場景雖然更容易形成商業閉環，但其數據特征與家庭場景存在顯著差異，難以直接遷移應用。
自變量選擇攻堅家庭場景的底氣，源于其對數據質量的獨特認知。王潛坦言，當前全球尚無機器人能在無遙控操作下完成家務勞動，行業展示的舞蹈或武術表演本質都是預設軌跡的"命令行操作"。他比喻道，實驗室數據如同"糖水"——量大且成本低，但與現實世界差距巨大；而家庭場景產生的"牛奶數據"雖然采集成本高、過程艱辛，卻是訓練真正智能化模型的關鍵。自變量CTO王皓補充說，實驗室環境缺乏不可預測因素，導致機器人難以理解物理世界的因果關系，例如不知道盤子放在桌沿會掉落摔碎。
為獲取高質量數據，自變量采取了"實驗室+真實場景"的雙軌策略。公司近期發布的具身智能基礎模型WALL-B，正是基于這種思路開發。通過與58同城合作，自變量將搭載該模型的機器人送入真實家庭，與保潔人員協同作業。這種模式不僅能收集高價值交互數據，還能讓機器人在真實環境中學習如何與人類配合完成任務。王皓承認，目前行業存在UMI、手持式采集等替代方案，但這些方式都無法替代真實人機交互帶來的數據價值。
